Аңдатпа. Медициналық кескіндерді сегменттеу биомедициналық информатиканың негізгі міндеттерінің бірі болып табылады, әсіресе онкологиялық ауруларды диагностикалау контекстінде. Тіндердегі морфологиялық өзгерістерді анықтау үшін қажет жасуша ядроларын дәл сегментациялау міндеті ерекше өзекті болып табылады. Алайда, бұл саладағы негізгі сын-қатер мен проблемалар кескін сапасының өзгергіштігі, қол жетімді деректердің шектеулі көлемі және терең оқыту модельдерінің жоғары дәлдігі мен тұрақтылығын қамтамасыз ету қажеттілігі болып қала береді. Бұл зерттеу жасуша ядросының сегменттеу моделінің өнімділігіне әртүрлі қарқындылықтағы кездейсоқ шуды қосуды қоса алғанда, деректерді күшейтудің он әдісінің әсерін талдады. Сондай-ақ, экспериментте жарықтандырудың өзгеруі, артефактілер және үлгілерді дайындаудағы ақаулар сияқты нақты жағдайларды модельдейтін жасанды шу қосуды қолданатын әдістерге ерекше назар аударылады. Шуды қосу үшін екі түрі қолданылды: аддитивті Гаусс шу және минус 0.05-тен 0.05-ке дейінгі қарқындылықтағы біркелкі кездейсоқ шу модельдің жалпылау қабілетіне айтарлықтай әсер етіп, оның гетерогенді деректерге төзімділігін жақсартты. Пайдаланылған архитектура Cbam модулін енгізе отырып, модификацияланған UNet моделіне негізделген, ол модельдің кескіннің маңызды аймақтарына назар аударады. Модуль модель архитектурасының декодтау бөлігіне қосылды. Эксперименттер үшін cryonuseg және monuseg екі анықтамалық деректер жиынтығы патчтарға бөлуді және кескін пішімін түрлендіруді қамтитын алдын ала өңдеумен біріктірілді. Қолданылған күшейту әдістеріне көлденең және тік шағылысу, кездейсоқ айналу, контрастты өзгерту, серпімді деформация және Шу қосу кірді. Сонымен қатар, эксперименттер күшейту комбинацияларын зерттеді. Зерттеу нәтижелері көлденең және тік шағылысу мен кездейсоқ айналуды күшейту әдістері модельдердің дәлдігі тоқсан пайыздан асатын минималды шығындарға жеткенін көрсетті. Контрастты өзгерту әдісі ең теңдестірілген өнімділікті көрсетті, бұл 0.928 бірлестігінің орташа қиылысу коэффициентін және 92.2 пайыздық дәлдікті қамтамасыз етті. Зерттеу нәтижелері бойынша мәліметтер модельдің артефактілерге төзімділігі мен деректердің өзгергіштігін арттыру әдісі ретінде жасанды шу қосуды қолданудың, сондай-ақ біріктірілген күшейту әдістерін қолданудың маңыздылығын көрсетеді. Болашақта біріктірілген күшейту әдістері гетерогенді биомедициналық кескіндермен тиімді жұмыс істей алатын адаптивті алгоритмдерді әзірлеуге негіз бола алады.
Түйін сөздер. Гистологиялық кескіндер, қатерлі ісік, ядро сегментациясы, конволюциялық нейрондық желілер, зейін модулі, деректерді кеңейту.
